🤖 machine learning

Zero-shot Human Pose Estimation using Diffusion-based Inverse solvers

यह शोध पत्र InPose प्रस्तुत करता है, जो एक ज़ीरो-शॉट मानव मुद्रा अनुमान (human pose estimation) विधि है जो इस कार्य को एक व्युत्क्रम समस्या (inverse problem) के रूप में तैयार करती है, जिसमें रोटेशनल माप (rotational measurements) पर आधारित एक प्री-ट्रेंड डिफ्यूजन मॉडल का उपयोग किया गया है और विभिन्न शरीर के आकार वाले उपयोगकर्ताओं में मजबूत सामान्यीकरण प्राप्त करने के लिए स्पार्स लोकेशन डेटा से प्राप्त लाइक्लीहुड टर्म (likelihood term) द्वारा निर्देशित किया गया है।

मूल लेखक: Sahil Bhandary Karnoor, Romit Roy Choudhury

प्रकाशित 2026-05-13

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Sahil Bhandary Karnoor, Romit Roy Choudhury

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप केवल अपने सिर और कलाइयों पर लगे तीन छोटे सेंसरों को देखकर यह अनुमान लगाने की कोशिश कर रहे हैं कि एक व्यक्ति अपने पूरे शरीर के साथ क्या कर रहा है (जैसे नृत्य करना, दौड़ना, हाथ हिलाना)। यह ह्यूमन पोज एस्टीमेशन (Human Pose Estimation) की समस्या है।

यह शोध पत्र एक नई विधि पेश करता है जिसे InPose कहा जाता है, जो इस क्षेत्र की एक बड़ी समस्या को हल करती है: शरीर की बनावट में अंतर (Body Shape Differences)।

समस्या: "एक ही आकार सबके लिए नहीं" वाला जाल (The "One-Size-Fits-None" Trap)

कल्पना कीजिए कि आपके पास एक बहुत ही स्मार्ट रोबोट है जिसने एक विशिष्ट व्यक्ति को देखकर शरीर की गतिविधियों का अनुमान लगाना सीखा है, मान लीजिए उसका नाम "टॉल बॉब" है। रोबोट ने सीखा कि जब बॉब का रिस्ट (कलाई) सेंसर इस तरह से हिलता है, तो उसकी कोहनी वहाँ होती है।

अब, कल्पना कीजिए कि आप उसी रोबोट का उपयोग "शॉर्ट सैली" की गतिविधियों का अनुमान लगाने के लिए करते हैं। भले ही सैली अपनी कलाई बिल्कुल वैसे ही हिलाए जैसे बॉब ने किया था, लेकिन उसकी कोहनी एक पूरी तरह से अलग जगह पर होगी क्योंकि उसकी भुजाएं छोटी हैं। रोबोट, जो केवल बॉब पर प्रशिक्षित था, भ्रमित हो जाता है और गलत अनुमान लगाता है। यह एक विशालकाय व्यक्ति के लिए बने सूट को एक बच्चे को पहनाने जैसा है; आस्तीन बहुत लंबी हैं, और पैंट बहुत छोटी है।

पिछले तरीकों ने रोबोट को कई अलग-अलग शारीरिक आकृतियों पर प्रशिक्षित करके इसे ठीक करने की कोशिश की, लेकिन इससे रोबोट अविश्वसनीय रूप से जटिल हो गया और फिर भी यह हर संभव मानव आकृति (जैसे असामान्य रूप से लंबी टांगों या बहुत छोटी धड़ वाले व्यक्ति) को कवर नहीं कर सका।

समाधान: InPose (द "स्केल-फ्री" डिटेक्टिव)

इस शोध पत्र के लेखक, साहिल भंडारी कार्नूर और रोमित रॉय चौधरी ने एक चतुर तरकीब निकाली। उन्होंने महसूस किया कि एक मानव मुद्रा (pose) को दो भागों में विभाजित किया जा सकता है:

"स्केल-फ्री" पोज़ (The "Scale-Free" Pose): यह गति का आकार है (जैसे, "हाथ 90 डिग्री पर मुड़े हुए हैं")। यह चाहे आप विशालकाय हों या बौने, एक जैसा ही रहता है।
"स्केल-डिपेंडेंट" पोज़ (The "Scale-Dependent" Pose): यह अंतरिक्ष में जोड़ों का वास्तविक स्थान है, जो पूरी तरह से इस बात पर निर्भर करता है कि आपकी हड्डियाँ कितनी लंबी हैं।

InPose एक दो-चरणीय जासूस की तरह काम करता है:

चरण 1: "कल्पना" (The "Imagination" - The Diffusion Prior)

सबसे पहले, सिस्टम एक पूर्व-प्रशिक्षित AI (एक "डिफ्यूजन मॉडल") का उपयोग करता है जिसने मानव गति के नियमों को सीखा है। यह AI एक कलाकार की तरह है जो जानता है कि मनुष्य सामान्य रूप से कैसे चलते हैं। यह तीन सेंसरों से प्राप्त रोटेशन (घूर्णन) डेटा (सिर और कलाइयां कैसे घूम रही हैं) को देखता है और एक "परफेक्ट" मानव की कल्पना करता है जो वह गति कर रहा है।

महत्वपूर्ण बिंदु: क्योंकि यह केवल रोटेशन (कोणों) को देखता है, इसे इस बात से कोई फर्क नहीं पड़ता कि व्यक्ति लंबा है या छोटा। यह केवल "डांस मूव्स" को देखता है।

चरण 2: "रियलिटी चेक" (The "Reality Check" - The Inverse Solver)

अब, सिस्टम लोकेशन (स्थान) डेटा को देखता है (कि सेंसर वास्तव में अंतरिक्ष में कहाँ हैं)। यह पूछता है: "ठीक है, मेरे पास एक काल्पनिक डांस मूव है। क्या यह इस विशिष्ट व्यक्ति के लिए वास्तविक सेंसर स्थानों के अनुकूल है?"

यही जादू है: हर नए व्यक्ति के लिए AI को फिर से प्रशिक्षित करने के बजाय, InPose उस काल्पनिक "परफेक्ट" डांस को इस विशिष्ट व्यक्ति की हड्डियों की लंबाई के अनुसार खींचने या सिकोड़ने (stretch or shrink) के लिए गणित का उपयोग करता है। यह समस्या को एक पहेली की तरह देखता है: "यदि सेंसर यहाँ हैं, और हड्डियाँ इतनी लंबी हैं, तो मेरे शरीर के बाकी हिस्सों को क्या करना चाहिए?"

इसे इनवर्स सॉल्वर (Inverse Solver) कहा जाता है। यह पूछने के बजाय कि "यदि मैं अपना हाथ हिलाता हूँ, तो सेंसर कहाँ जाएगा?" (फॉरवर्ड), यह पूछता है "सेंसर यहाँ है, तो मेरी भुजा कहाँ होनी चाहिए?" (इनवर्स)।

"जीरो-शॉट" सुपरपावर (The "Zero-Shot" Superpower)

शीर्षक में "जीरो-Shot" शब्द का अर्थ है कि सिस्टम एक बिल्कुल नए व्यक्ति का अनुमान लगा सकता है जिसे इसने पहले कभी नहीं देखा है, बिना उसे फिर से प्रशिक्षित या फाइन-ट्यून किए।

पुराना तरीका: बॉब पर प्रशिक्षित करें, सैली पर प्रशिक्षित करें, बास्केटबॉल खिलाड़ी पर प्रशिक्षित करें, जिम्नास्ट पर प्रशिक्षित करें। यदि कोई नया व्यक्ति अजीब अनुपात के साथ आता है, तो सिस्टम विफल हो जाता है।
InPose का तरीका: गति के नियमों (रोटेशन का उपयोग करके) पर प्रशिक्षित करें। जब कोई नया व्यक्ति आता है, तो बस उनकी हड्डियों की लंबाई और सेंसर डेटा फीड करें। गणित बाकी काम कर देता है। यह एक सार्वभौमिक अनुवादक की तरह है जो बिना हर विशिष्ट बोली के लिए शब्दकोश के, किसी भी भाषा में काम कर सकता है।

यह शोर (Noise) को कैसे संभालता है

शोध पत्र यह भी दिखाता है कि InPose सेंसरों की "स्थिरता" या त्रुटियों को अनदेखा करने में बहुत अच्छा है।

उपमा: कल्पना कीजिए कि आप रेडियो पर स्टैटिक (शोर) के साथ गाना सुनने की कोशिश कर रहे हैं।
- पुराने तरीके सिग्नल को बढ़ाने की कोशिश करते हैं, लेकिन स्टैटिक (सेंसर शोर) संगीत को अस्पष्ट बना देता है।
- InPose "मेलोडी" (रोटेशन/प्रायर) को सुनता है जो स्पष्ट है, और केवल "लिरिक्स" (लोकेशन डेटा) का उपयोग यह जांचने के लिए करता है कि क्या मेलोडी समझ में आती है। यदि लोकेशन डेटा शोर भरा है, तो मेलोडी (मानव गति का AI ज्ञान) अनुमान को सटीक बनाए रखती है।

कमी (सीमाएं)

पेपर ईमानदारी से बताता है कि InPose कहाँ संघर्ष करता है:

"लेग्स" (पैरों) की समस्या: चूंकि सेंसर केवल सिर और कलाइयों पर हैं, इसलिए सिस्टम को यह अनुमान लगाने के लिए कि पैर क्या कर रहे हैं, ऊपरी शरीर के आधार पर अनुमान लगाना पड़ता है। यदि व्यक्ति कूद रहा है या जमीन असमान है, तो सिस्टम कभी-कभी पैरों का गलत अनुमान लगाता है। यह केवल हाथों को देखकर किसी के फुटवर्क (पैरों की चाल) का अनुमान लगाने जैसा है; आप लय का अनुमान लगा सकते हैं, लेकिन आप एक विशिष्ट कदम को मिस कर सकते हैं।
डिफ़ॉल्ट प्रदर्शन: यदि आप InPose का परीक्षण ऐसे व्यक्ति पर करते हैं जो उस "औसत" व्यक्ति के समान है जिस पर AI को प्रशिक्षित किया गया था, तो यह वास्तव में पुराने तरीकों की तुलना में थोड़ा खराब है। पुराने तरीके एक ऐसे दर्जी की तरह हैं जो आपके सटीक माप जानता है; InPose एक मास्टर दर्जी की तरह है जो सिलाई के सिद्धांतों को जानता है और आपके आकार का सटीक अनुमान लगा सकता है, लेकिन यदि आप बिल्कुल औसत हैं, तो वह एक सूक्ष्म विवरण को मिस कर सकता है।

सारांश

InPose केवल तीन सेंसरों का उपयोग करके मानव गति को ट्रैक करने का एक नया तरीका है। यह "आप कैसे चलते हैं" को "आप कितने बड़े हैं" से अलग करता है। एक स्मार्ट AI का उपयोग करके गति की शैली का अनुमान लगाने और शरीर के आकार के लिए समायोजन करने के लिए एक गणितीय तरकीब का उपयोग करके, यह बिना किसी विशिष्ट शरीर के आकार को पहले से सीखे, तुरंत किसी को भी, कहीं भी, ट्रैक कर सकता है। यह मोशन ट्रैकिंग के लिए एक "यूनिवर्सल फिट" समाधान है।

तकनीकी सारांश: डिफ्यूजन-आधारित इनवर्स सॉल्वर का उपयोग करके ज़ीरो-शॉट ह्यूमन पोज़ एस्टिमेशन

समस्या विवरण (Problem Statement)

ह्यूमन पोज़ एस्टिमेशन (मानव मुद्रा अनुमान) का लक्ष्य स्पार्स सेंसर डेटा से पूर्ण-शरीर की 3D मुद्रा (सिर, धड़, अंग) को पुनर्गठित करना है। हालांकि कंडीशनल डिफ्यूजन मॉडल का उपयोग करने वाले हालिया उन्नत तरीकों ने केवल तीन सेंसरों (आमतौर पर सिर और दो कलाई) से पूर्ण-शरीर की मुद्रा की भविष्यवाणी करने में आशाजनक परिणाम दिखाए हैं, लेकिन इन विधियों में एक गंभीर सीमा है: विभिन्न शरीर के आकार वाले उपयोगकर्ताओं के बीच खराब सामान्यीकरण (poor generalization)।

कैस्टिलो एट अल. (2023) जैसे मौजूदा दृष्टिकोण, जो जॉइंट लोकेशन्स (जोड़ों के स्थान) और रोटेशन (घूर्णन) दोनों पर डिफ्यूजन मॉडल को कंडिशन करते हैं, मानव मुद्रा अनुमान का लक्ष्य रखते हैं। हालांकि, जॉइंट लोकेशन्स स्वाभाविक रूप से स्केल-डिपेंडेंट (पैमाने पर निर्भर) होते हैं; वे उपयोगकर्ता की हड्डियों की लंबाई और शरीर के अनुपात के आधार पर काफी भिन्न होते हैं। फलस्वरूप, एक विशिष्ट उपयोगकर्ता के डेटा पर प्रशिक्षित मॉडल बिना व्यापक फाइन-ट्यूनिंग के विभिन्न शारीरिक आकारों वाले उपयोगकर्ताओं के लिए विफल हो जाता है। कई शारीरिक आकारों पर संयुक्त रूप से प्रशिक्षण देना (जैसा कि अलीआकबरियन एट अल., 2022 द्वारा प्रयास किया गया है) मॉडल की जटिलता को बढ़ाता है और सभी संभावित शारीरिक विविधताओं को कवर करने की कोई गारंटी नहीं देता है। एक ऐसे एल्गोरिदम की आवश्यकता है जो बिना किसी व्यक्तिगत प्रशिक्षण डेटा के, बॉडी शेप आउटलेयर्स (शारीरिक आकार के अपवादों) के लिए सामान्यीकरण कर सके।

कार्यप्रणाली: इनपोज़ (Methodology: InPose)

लेखक InPose प्रस्तावित करते हैं, जो ज़ीरो-शॉट सामान्यीकरण प्राप्त करने के लिए एक इनवर्स प्रॉब्लम (उल्टा समस्या) के रूप में पोज़ एस्टिमेशन को तैयार करता है। इसका मुख्य विचार मानव मुद्रा को दो घटकों में विभाजित करना है:

स्केल-फ्री पोज़ (Scale-free pose): जोड़ों के रोटेशन (कोणों) द्वारा परिभाषित, जो शरीर के आकार से स्वतंत्र होते हैं।
स्केल-डिपेंडेंट घटक (Scale-dependent component): 3D स्पेस में जोड़ों के स्थानों द्वारा परिभाषित, जो हड्डियों की लंबाई और शरीर के आकार पर निर्भर करते हैं।

1. इनवर्स प्रॉब्लम फॉर्मूलेशन (Inverse Problem Formulation)

जॉइंट लोकेशन्स और रोटेशन दोनों पर डिफ्यूजन मॉडल को कंडिशन करने के बजाय (जो मॉडल को विशिष्ट शारीरिक आकारों से जोड़ देता है), InPose अपने जेनेरेटिव प्रायर (Generative Prior) को केवल रोटेशनल मेजरमेंट्स (घूर्णन मापों) पर कंडिशन करता है।

प्रायर (Prior): एक कंडीशनल फ्लो मैचिंग (CFG) डिफ्यूजन मॉडल को नॉइज़ी रोटेशनल मेजरमेंट्स ( $r_m$ ) से स्केल-फ्री पोज़ के वितरण की भविष्यवाणी करने के लिए प्रशिक्षित किया जाता है।
लाइकलीहुड (Likelihood/Guidance): मापे गए जॉइंट लोकेशन्स ( $l_m$ ) का उपयोग प्रशिक्षण के लिए कंडिशनिंग इनपुट के रूप में नहीं, बल्कि इंफरेंस प्रक्रिया को निर्देशित करने के लिए एक लाइकलीहुड टर्म के रूप में किया जाता है। यह टर्म मूल्यांकन करता है कि एक उत्पन्न पोज़, उपयोगकर्ता की विशिष्ट हड्डी की लंबाई के आधार पर, देखे गए स्थानों की कितनी अच्छी तरह व्याख्या करता है।

2. गणितीय ढांचा (Mathematical Framework)

लक्ष्य पोस्टीरियर $p(r_M | y_m)$ से सैंपल लेना है, जहाँ $r_M$ 22 ग्लोबल जॉइंट रोटेशन को दर्शाता है और $y_m$ सेंसर मेजरमेंट्स हैं। बेयस के नियम का उपयोग करते हुए, स्कोर फंक्शन को इस प्रकार विभाजित किया गया है:
$\nabla_{r_M^t} \log p_t(r_M^t | \{l_m, r_m\}) = \nabla_{r_M^t} \log p_t(r_M^t | r_m) + \nabla_{r_M^t} \log p_t(l_m | r_M^t)$

प्रायर टर्म ( $\nabla \log p(r_M^t | r_m)$ ): केवल रोटेशन पर कंडिशन किए गए CFG-आधारित स्कोर मॉडल द्वारा सीखा गया है। यह एक स्केल-फ्री वितरण प्रदान करता है।
लाइकलीहुड टर्म ( $\nabla \log p(l_m | r_M^t)$ ): यह एक इनवर्स किनेमैटिक्स गाइडेंस के रूप में कार्य करता है। इसके लिए रोटेशन को स्थानों में मैप करने के लिए एक नॉन-लीनियर ऑपरेटर $D(\cdot)$ (6D रोटेशन वेक्टर्स को मैट्रिक्स में बदलना) और एक लीनियर ऑपरेटर $A$ (फॉरवर्ड किनेमैटिक्स) की आवश्यकता होती है।

3. नॉन-लिनियैरिटी को संभालने के लिए स्यूडोइनवर्स गाइडेंस (Handling Non-Linearity via Pseudoinverse Guidance)

एक प्रमुख चुनौती यह है कि लाइकलीहुड टर्म में नॉन-लीनियर फंक्शन $D(\cdot)$ के माध्यम से एक गौसियन रैंडम वेरिएबल को प्रसारित करना शामिल है। स्टैंडर्ड स्यूडोइनवर्स-गाइडेंस फॉर डिफ्यूजन मॉडल्स (ΠGDM) लीनियर ऑपरेटर्स को मानता है।

थ्योरम 1: लेखक सिद्ध करते हैं कि यदि स्कोर मॉडल 6D रोटेशन वेक्टर्स पर विशिष्ट यूनिट-नॉर्म और ऑर्थोगोनैलिटी बाधाओं को सुनिश्चित करता है, तो नॉइजी इनपुट $r_M^t$ के दिए गए होने पर रूपांतरित रोटेशन $D(r_M^0)$ का वितरण एक गौसियन वितरण के रूप में अनुमानित किया जा सकता है।
यह अनुमान लेखकों को एनालिटिकली लाइकलीहुड स्कोर कंप्यूट करने की अनुमति देता है, जिससे डिफ्यूजन प्रक्रिया को गाइड करने के लिए ΠGDM का उपयोग करना संभव होता है, भले ही ऑपरेटर लीनियर न हो।

4. पाइपलाइन (Pipeline)

इंफरेंस प्रक्रिया (एल्गोरिदम 1) पोज़ को पुनरावर्ती रूप से रिफाइन करती है:

CFG प्रायर (रोटेशन पर कंडिशन किया गया) का उपयोग करके एक कंडिशनली डिनोइज़्ड एस्टीमेट $\hat{r}_M^t$ जेनरेट करें।
ΠGDM फ्रेमवर्क का उपयोग करके लाइकलीहुड स्कोर कंप्यूट करें, जिसमें उपयोगकर्ता की विशिष्ट हड्डी की लंबाई को रोटेशन को अपेक्षित स्थानों में मैप करने के लिए शामिल किया जाता है।
अगले टाइमस्टेप के लिए पोज़ एस्टीमेट को अपडेट करने के लिए मॉडिफाइड DDIM सैंपलर का उपयोग करके प्रायर और लाइकलीहुड स्कोर को संयोजित करें।

मुख्य योगदान (Key Contributions)

ज़ीरो-शॉट जनरलाइजेशन: पोज़ को स्केल-फ्री और स्केल-डिपेंडेंट घटकों में अलग करके, InPose किसी भी बॉडी शेप के उपयोगकर्ताओं के लिए बिना रिट्रेनिंग या फाइन-ट्यूनिंग के पोज़ का अनुमान लगा सकता है।
इनवर्स सॉल्वर फॉर्मूलेशन: यह पेपर पोज़ एस्टिमेशन को एक इनवर्स प्रॉब्लम के रूप में फिर से परिभाषित करता है जहाँ एक प्री-ट्रेंड डिफ्यूजन प्रायर को स्पार्स लोकेशन मेजरमेंट्स से प्राप्त लाइकलीहुड टर्म द्वारा निर्देशित किया जाता है।
नॉन-लीनियर ऑपरेटर्स के लिए गौसियन एप्रोक्सिमेशन: लेखक एक सैद्धांतिक प्रमाण (थ्योरम 1) प्रदान करते हैं जो नॉन-लीनियर 6D-टू-मैट्रिक्स रोटेशन मैपिंग के माध्यम से गौसियन वेरिएबल्स के प्रसार की अनुमति देता है, जिससे इस विशिष्ट इनवर्स प्रॉब्लम के लिए ΠGDM लागू होता है।
मजबूती (Robustness): प्रयोगों से पता चलता है कि InPose लोकेशन मेजरमेंट नॉइज़ के प्रति स्वाभाविक रूप से मजबूत है, क्योंकि अंतिम एस्टीमेट में जेनेरेटिव प्रायर की प्रमुख भूमिका होती है।

प्रयोगात्मक परिणाम (Experimental Results)

प्रयोग AM-ASS डेटासेट पर BoDiffusion बेसलाइन के समान प्रोटोकॉल का उपयोग करके किए गए थे।

बॉडी शेप स्केलिंग: जब इसे स्केल किए गए बॉडी शेप (जैसे, लंबे या छोटे) वाले उपयोगकर्ताओं पर टेस्ट किया गया, तो बेसलाइन मॉडल (AvatarJLM, BoDiffusion) ने MPJPE और MPJRE दोनों में महत्वपूर्ण गिरावट दिखाई। इसके विपरीत, InPose ने सभी स्केलिंग फैक्टर्स के बीच सुसंगत प्रदर्शन बनाए रखा, जो इसकी ज़ीरो-शॉट क्षमता को प्रदर्शित करता है।
विभिन्न सापेक्ष शारीरिक भाग: उन परिदृश्यों में जहाँ विशिष्ट शारीरिक अंगों (जैसे, बांह बनाम धड़) को अलग-अलग स्केल किया गया था, InPose ने MPJPE और अपर बॉडी पोजीशन एरर (UPE) में बेसलाइन्स को पीछे छोड़ दिया, क्योंकि इनवर्स गाइडेंस ने बदली हुई हड्डी की लंबाई को सही ढंग से अकाउंट किया।
नॉइज़ रोबस्टनेस: लोकेशन मेजरमेंट्स में बढ़ते गौसियन नॉइज़ के तहत, InPose स्थिर रहा, जबकि बेसलाइन्स काफी खराब हो गईं।
ट्रेड-ऑफ्स (Trade-offs):
- InPose डिफ़ॉल्ट बॉडी शेप (वह आकार जिसका उपयोग ट्रेनिंग के लिए किया गया था) पर बेसलाइन्स से थोड़ा कम प्रदर्शन करता है, संभवतः इसलिए क्योंकि बेसलाइन्स उस विशिष्ट आकार के लिए सीधा नॉन-लीनियर मैपिंग सीख सकते हैं, जबकि InPose एक सामान्य अनुमान पर निर्भर करता है।
- लोअर बॉडी एस्टिमेशन: हेड ट्रांसलेशन को CFG इनपुट के रूप में शामिल किए बिना, InPose लोअर बॉडी पोज़ एस्टिमेशन में संघर्ष करता है (उच्च LPE), क्योंकि रूट ट्रांसलेशन सीधे ऑब्जर्व नहीं किया जाता है। हालांकि, हेड पोजीशन को CFG इनपुट के रूप में जोड़ने पर (InPose (head)), लोअर बॉडी एस्टिमेशन में काफी सुधार होता है, जो विभिन्न बॉडी शेप्स में सभी बेसलाइन्स से बेहतर प्रदर्शन करता है।

महत्व और दावे (Significance and Claims)

पेपर दावा करता है कि InPose पोज़ को स्केल-फ्री और स्केल-डिपेंडेंट घटकों में विघटित करके ज़ीरो-शॉट पोज़ प्रेडिक्शन का मार्ग प्रशस्त करता है। इसका महत्व हर नए उपयोगकर्ता के लिए व्यक्तिगत डेटा संग्रह और रिट्रेनिंग की आवश्यकता को समाप्त करने में निहित है, जो व्यावहारिक पहनने योग्य सेंसर अनुप्रयोगों में एक बड़ी बाधा है।

लेखक अपनी सीमाओं को विनम्रतापूर्वक स्वीकार करते हैं:

विधि ट्रेनिंग के लिए उपयोग किए गए विशिष्ट बॉडी शेप पर बेसलाइन से बेहतर प्रदर्शन नहीं करती है।
लोअर बॉडी एस्टिमेशन प्रायर या हेड पोजीशन के समावेश पर बहुत अधिक निर्भर करता है, क्योंकि रूट ट्रांसलेशन को सीधे शामिल नहीं किया गया है।
एल्गोरिदम को इंफरेंस के दौरान उपयोगकर्ता की हड्डी की लंबाई के सटीक ज्ञान की आवश्यकता होती है; हड्डी की लंबाई के अनुमान में त्रुटियां प्रदर्शन को खराब कर सकती हैं।

यह कार्य सुझाव देता है कि भविष्य के शोध को फिजिक्स कंस्ट्रेंट्स के माध्यम से लोअर-बॉडी मॉडलिंग में सुधार करने और स्पष्ट कैलिब्रेशन के बिना हड्डी की लंबाई का अनुमान लगाने वाली विधियों विकसित करने पर ध्यान केंद्रित करना चाहिए।